<![CDATA[Prediksi durasi perjalanan transportasi urban merupakan aspek penting dalam meningkatkan efisiensi operasional dan kualitas layanan. New York City Yellow Taxi menyediakan dataset perjalanan dalam jumlah besar yang dapat dimanfaatkan untuk membangun model prediksi berbasis machine learning. Penelitian ini mengembangkan sistem prediksi durasi perjalanan menggunakan empat algoritma: Linear Regression, Random Forest, Gradient Boosting, dan XGBoost. Dataset diproses melalui tahap preprocessing, feature engineering, dan pembagian data menjadi training dan testing set. Hasil penelitian menunjukkan bahwa XGBoost memberikan performa terbaik dengan MAE 189,23 detik, RMSE 287,91 detik, dan R² sebesar 0,8657, mengungguli model lainnya. Faktor paling berpengaruh terhadap durasi perjalanan meliputi trip_distance, haversine_distance, dan hour_of_day. Sistem yang dibangun memungkinkan prediksi real-time serta analisis data secara komprehensif. Penelitian ini membuktikan bahwa algoritma tree- based boosting, khususnya XGBoost, efektif digunakan dalam memodelkan dinamika durasi perjalanan taxi di lingkungan urban yang kompleks.]]>
Copyrights © 2025
